基于人工智能技术的认知光网络结构研究

黄海清，李维民

（西京学院，西安710123）

基于人工智能技术的认知光网络结构研究

黄海清，李维民

（西京学院，西安710123）

认知光网络是一种能够将诸多人工智能技术用到网络中，并使网络朝着智能化方向发展的重要网络技术。介绍了认知网络的基本概念，在此基础上给出了认知光网络的主要结构，对认知光网络的主要技术进行了分析，提出认知光网络是一种自治网络，它可自我优化，自我配置和自愈。

认知光网络；认知决策系统；机器学习；软件定义网络

0　引言

近年来，在大数据、云服务、智能手机，以及网络视频、网络游戏的推动下,网络流量快速增长，互联网流量在2014年增长34%，思科公司预计2016年全球IP流量将超过1ZB（1ZB相当于10亿现代硬盘容量，每个硬盘1TB）,2019年将达2ZB[1]。带宽需求的快速增加，促使新的网络传输技术（如超级通道技术、光线路编码技术、光调制技术）不断涌现和发展。新技术通常部署在原光纤网络中，造成非常复杂的异构的网络环境[2]。此外，传输容量增加，不同的系统共享相同的光纤，将进一步影响服务质量（QoS）和传输质量（QoT）；网络运营商面临着支持不同业务对QoS要求不同的挑战；光传输网络中的编码和调制格式方面不同的传输技术和数据率；这些都增加了网络经营管理的负担，增加了网络运维成本。因此，未来的光网络应易于维护管理，尽可能减少人工干预，实现智能化管理。认知光网络（CON）正是试图解决这些问题，它通过自学习和认知决策在网络中实现自配置、自优化和自主网络操作；它强调实现端到端的目标，能改善服务质量和传输质量。以下我们基于人工智能技术，对认知光网络结构进行研究。

1　认知网络概念

认知网络的概念描述见文献[3]。认知网络可以监测当前的网络环境，然后针对这些环境去规划、决定和采取行动。认知网络还应具有对网络环境的自适应能力、从变化中学习的能力并能够对未来进行以端到端目标的决策，实现对网络进行动态调整和重构。

认知网络的主要特点是具有认知和学习的能力。图1所示为一个认知网络执行的基本动作，即一个认知循环，包括观察（Observe）、定向(Orient)规划(Plan)、决定(Decide)和行动(Act)4个模块。在观察阶段，网络监视器观察网络的环境（状态），这些监视的数据用于规划，同时也用于学习模块的学习并存储有用的数据；在定向规划阶段，将获得的信息数据投入的背景下，分析先前积累的知识可能采取的行动；决定阶段，依据前面学习和规划的结果，以系统的端到端为目标，决定应采取什么样的动作；在行动阶段，网络中的决策被执行。这个循环不断地重复处理网络中新的事件，所以认知网络是一种自治网络，它可自我优化，自我配置和自愈[4]。

图1　认知环

2　认知光网络

认知光网络是近几年才开始研究的新课题，具有代表性的是由欧盟资助的认知异构可重构光网络的项目CHRON（Cognitive Heterogeneous Reconfigurable Optical Network,CHRON）[5,6]，其主要目标是开发一种认知光网络结构，解决控制和管理下一代异构光网络支持未来的互联网。CHRON架构已经经过实验研究，该网络下集中式架构如图2。该项目研究了分布式和集中式的结构变型，主要专注于后者测试平台的实现。其体系结构的核心是认知决策系统（CDS），负责管理传输要求和网络事件。网元实现了认知行为，即考虑其当前状态和过去的知识来优化网络性能。

图2　认知光网络结构示意图

CDS是在控制和管理系统 （Control and Management System，CMS）的帮助下，负责从网络收集监控信息并传播CDS向所有节点的决定。网络的动态调整是通过CDS控制软件自适应元件重新配置受控网络。

3　认知光网络的主要技术

一个认知光网络的实现所需的主要构成及其技术：智能监控系统、认知决策系统、认知控制系统、认知学习及动态调整与配置。

3.1智能监控系统

智能监控系统用于网络的监测（观察）。物理层的监测采用先进的光性能监测（OPM），通过数字信号处理（DSP）功能提供必要的有关的反馈信号，反馈网络损伤与信号缺陷，使网络能够自主优化、配置及重构。

为满足用户的需求及QoS的要求，监测光信号的性能是一个关键的模块，所获得的信息提供给网络管理与决策系统。先进的光性能监测（OPM）是所需的工具。相干光通信系统数字相干接收机可以提供一个完整的表示光场在电域提供的振幅、相位和输入光信号的偏振信息。信道失真可以通过数字信号处理（DSP）补偿算法，实现链路损伤的电域均衡补偿。所有确定的线性光信道参数，如色散（CD）、偏振模色散（PMD）和偏振相关损耗（PDL），可以均衡补偿。同时，其它传输参数（如放大的自发辐射（ASE）噪声和偏振旋转）也可以被监视。

3.2认知决策系统

认知决策系统是认知光网络最核心的部分。决策系统是为了实现端到端的目标，在监测信息和知识库中存放的过去知识经验的基础上，通过一定的方法、工具和技巧，对不同方案进行分析、比较和判断，选择最佳方案，然后做出决策。

在认知光网络中，基本的认知决策系统是由服务和流量需求供给。考虑到从网络监控系统监测到的网络现状及知识库（知识使我们能够从过去类似的场景采取的决定和使用学习能力来影响将来的行动）存储的以前案例做出的决定及结果，借鉴以前行动做出输出决策，该决策通过控制与管理系统控制各网元调整实现端到端的目标。

图3　认知决策系统关系图

一种认知决策系统、网络监控系统以及控制系统的关系如图3所示，这种结构显示CDS如何实现认知环。网络监测系统采集到的网络状态信息存放于通用知识库；另外，有一个特定知识库存放每个认知过程有关的所有信息，特定的知识库由一个特定的学习模块更新相关的信息。一个认知过程可以通过访问这两个知识库（通用和特定）来检索信息，并对其进行更新。认知决策模块处理网络事件或请求，最后做出的决定将通过控制平面-网元执行。为了避免降低已经建立的通道QoT，新的通道设置可以使用不同的路线。

3.3认知控制系统

目前光网络管理控制方式多为分布式，不同技术、不同设备制造商的光网络管理控制系统往往有自己独立的、私有的协议内容，这样的模式不仅造成了网络管控的不便，同时也导致了网络资源利用率较低。在未来的光网络中，大量不同的传输技术和服务要求具有不同的QoS/QoT。高度异质性的光网络环境给管理控制提出了新的挑战。光网络控制系统、控制方式的发展情况如下。

3.3.1基于 GMPLS协议族的自动交换光网络（ASON）

早期WDM系统的光网络为了动态地分配波长资源，实现波长交叉连接控制，采用基于GMPLS协议族的分布式控制的ASON，如图4（a）所示。

图4　光网络控制系统的演进

3.3.2基于GMPLS/PCE的网络控制平面

随着网络规模的扩大，尤其是城域网、接入网节点及路由数量的剧增，导致在多层多域光网络中基于GMPLS协议的ASON的控制系统难以支撑复杂的约束条件(如波长一致性、接口交换能力、时隙复用规范、光束的物理损伤约束等)下的路由计算，存在着网元控制系统CPU计算能力不足和整个网络资源不能统一规划导致网络利用率低等问题。因此，有必要将复杂的路径计算功能从分散的网元集中到独立的高性能PCE服务器上，具体见图4（b）所示。采用PCE服务器PCEP协议实现集中控制的方式，可以快速地实现全局路径优化，解决多域环境下端到端的路径计算，实施全网资源统一管理，有效提升网络的整体效率。

3.3.3基于SDN/Openflow的软件定义光网络控制平面

近几年云计算和数据中心应用的出现，对光网络提出了带宽大、连接灵活、流量变化大且动态的需求，提出了虚拟化、可编程等新的挑战。另外，光网络中设备数量和厂家众多，给网络集中管理和维护带来极大困难。为了解决这些问题，近几年发展的软件定义网络SDN应运而生。光网络采用SDN技术控制系统的结构，如图4（c）所示，其特点是控制平面与转发平面分离，转发不再被固定在交换机或路由器里，而是采用集中控制策略，通过开放网络和应用层接口，提供网络的可编程能力。SDN具有可扩展性、灵活性的特点，使我们在不改变任何网络底层环境的情况下，以较低难度的方式对网络和业务进行操作管理，让网络实现了用软件配置与定义[7]。

认知光网络中的控制系统与光网络的发展是一致的，前两年欧洲的认知异构可重构光网络的控制系统实施选择了基于通用多协议标签交换GMPLS协议扩展的结构[8]。标准的控制体系结构将向SDN/Open-Flow技术发展。由图2可见，在结构上认知光网络是在光网络控制系统上增加了一个认知决策系统。认知光网络中最重要的因素是认知本身，它具有端到端的优化能力。认知在另一个层面上应被看作是提供无监督优化功能，而不是替换一个已经存在的控制平面。因此，认知光网络实现同样需要基本的控制平面。就控制系统来说，认知光网络与软件定义光网络没有区别，均要实现对全网的集中控制。

3.4认知学习

认知学习是认知网络非常重要的一个方面。认知学习要求能够对当前监测到的网络环境、使用中的目标要求、规划和决策等过程进行学习，实时地调整自己去完成目标任务，并将学习到的有用的新知识存储到知识库中，提供给决策系统做决策使用。认知过程是由机器学习（ML）支持，在网络上实现智能算法。

ML的一种方法称为基于案例推理 （CBR）。CBR是一种基于先前的经验知识进行推理的人工智能技术，在解决新问题时，它通过检索案例库（知识库），利用过去积累的经验（类似情况的处理），找到与该问题或情况最相近的案例的求解，从而获得当前问题的解决方法。当案例库中没有存放与新案例相同的案例时，需要对案例库进行调整（如参数调整）。案例调整后，只需将修改的部分存入知识库中。随着知识库中积累案例的逐渐增加，库中的解决方案与数据不断增长，系统解决处理问题的能力就会不断增强。

在认知光网络中，ML基于案例推理方法可使网络利用过去的经验（在光纤链路中一个特定配置的通道和它们的参数）预测预期的传输性能，并进行新的连接[9]。通过维护一个知识库（包含过去的网络观察），使一个CON的CDS极插值从已知的情况下自动派生出新的经验规律或利用数据模式进行相应的优化。在预测传输性能（误码率）时，因为只知道误码率和最后的节点，所以需要在中间节点通过一个简单的模型进行参数拟合[10]。

ML可以利用先进的光性能监测（OPM），使软件定义接收器执行它们的算法或缓解障碍方案的自适应调整。接收信号的调制格式可以自动识别[11]，一旦调制格式确定，这些信息即是以后续块用来优化DSP链的特殊调制格式。这对于调制格式的不透明子系统尤其重要（如数字解调），但对均衡器来说，如果收到信号星座是已知的，可以切换到决策指导模式。在一般情况下，不使用泛型，与调制格式无关的算法性能可能劣化，它们的微调调制格式的特定版本可代替，以提高接收机的性能。

3.5网络的动态调整与配置

认知网络强调端到端的目标，因此它应该具备网络调整与配置能力。如果当前的网络状态、参数等无法保证客户端到端的目标要求，那么网络应根据这个目标调整或重新配置相关网元的参数，即调整各种物理层组件特性（如调制格式、误差修正、波长容量等）和网络层参数（如带宽、同时光路的数目、QoS等），以满足客户所要求的端到端目标。这种调整与重新配置是通过软件可编程、软件可定义模块来实现。掺铒光纤放大器（EDFA）的增益平坦度和噪声系数可以自主调整，以确保所有传输通道成功接收不同的调制格式和比特率[12]。

4　结束语

认知光网络是近年探索的新技术，通过以上分析可以知，它能够观察网络周围的环境并根据端到端的目标，通过认知学习对网络状态做出正确的规划、决策和行动。实现认知光网络所需的主要构成元素有智能监控系统、认知决策系统、认知控制系统、认知学习、动态调整与配置。认知光网络是一种具有智能性的网络，它的发展将会对今后复杂异构网络的控制管理起到促进作用，可进一步提高服务质量（QoS）和传输质量（QoT）。

[1]Cisco.Cisco Visual Networking Index:Forecast and Methodology, 2014-2019 White Paper.http://www.cisco.com/c/en/us/solutions/collateral/service-provider/ip-ngn-ip-next-generation-network/white_paper_c11-481360.html.

[2]TAFUR MONROY I，ZIBAR D,GUERRERO GONZALEZ N,et al. Cognitive Heterogeneous Reconfigurable Optical Networks(CHRON):Enabling technologies and techniques[C].In International Conference on Transparent Optical Networks,IEEE Stockholm,Sweden，2011.

[3]THOMAS R W,DASILVA L A,MACKENZIE A B.Cognitive networks[C].Proc.IEEE DySPAN，2005:352-360.

[4]KLIAZOVICH D,GRANELLI F,FONSECA N L S.Architectures and Cross-Layer Design for Cognitive Networks in Handbook on Sensor Networks[M].Singapore:World Scientific Publishing,2010.

[5]CABALLERO A,BORKOWSKI R，MIGUEL I,et al.Cognitive,heterogeneous and reconfigurable optical networks:the CHRON project[J].Journal of Lightwave Technology，2014，32(13):2308-2323.

[6]CHRON,“The CHRON Project.”[Online].http://www.ict-chron.eu/

[7]李维民，康巧燕，黄海清，等.全光通信网技术[M].北京:北京邮电大学出版社，2015.

[8]SIRACUSA D，BROGLIO A，FRANCESCON A,et al.Toward a control and management system enabling cognitive optical networks[C].18th European Conference on Network and Optical Communications.Trento I-taly：IEEE,2013:233-240.

[9]CABALLERO A,AGUADO J C,BORKOWSKI R.Experimental demonstration of a cognitive quality of transmission estimator for optical communication systems[J].Optics Express，2012，20（26）:B64-B70.

[10]BORKOWSKI R,CABALLERO A，KLONIDIS D.Advanced modulation formats in cognitive optical networks:EU project CHRON demonstration[C].Optical Fiber Communication Conference,San Francisco USA: 2014.

[11]BORKOWSKI R,ZIBAR D,CABALLERO A.Stokes space-based optical modulation format recognition for digital coherent receivers[J].IEEE Photonics Technology Letters,2013,25(21):2129-2132.

[12]OLIVEIRA J R,CABALLERO A,AES E M.Demonstration of EDFA cognitive gain control via GMPLS for mixed modulation formats in heterogeneous optical networks[C].Optical Fiber Communication Conference, Anaheim USA:2013.

Research on the structure of cognitive optical network based on artificial intelligence technology

HUANG Hai-qing，LI Wei-min
（Xijing University,Xi'an 710123,China）

Cognitive optical network(CON)is a kind of most important network technology,in which many artificial intelligence technology can be used,and it will make the network toward intelligent direction of development.The paper introduces the basic concepts of cognitive network,base on that the cognitive optical network main structure is given.The main technology of cognitive optical network are analyzed,put forward the theory of cognitive optical network is a self governance network,it can be self-optimizing,self-configuring and self-healing.

cognitive optical network(CON),cognitive decision system(CDS),machine learning(ML),software-defined networking(SDN)

TN915

A

1002-5561（2016）05-0015-04

10.13921/j.cnki.issn1002-5561.2016.05.005

2016-01-04。

黄海清（1960-），女，副教授，主要研究方向为光通信网。